Cloud-based Cooperative Long-Term SLAM for Mobile Robots in Industrial Applications

Mobile Roboter wie fahrerlose Transportsysteme (FTS) erfahren seit Jahrzehnten zunehmend Anwendung für intralogistische Aufgaben im Bereich der industriellen Produktion und Logistik. Um die benötigten Verfügbarkeiten dieser industriellen Anforderungen zu erreichen, benötigen derzeitig kommerziell verfügbare Navigationslösungen zumeist zusätzliche in die Umgebung eingebrachte Infrastruktur, wie magnetische Leitlinien oder retro-reflektive Marker, oder sind begrenzt auf Anwendungsgebiete mit stark strukturierten, unveränderlichen Umgebungen. Die derzeit steigende Nachfrage nach hochflexiblen FTS, welche auch im dynamischen Umfeld und in nicht-abgetrennten Arbeitsbereichen mit Menschen und anderen Fahrzeugen effizient navigieren, kann mit diesen Lösungen nur unzureichend befriedigt werden. Navigationslösungen, die diesen hohen Anforderungen gerecht werden, müssen vielmehr über einen gesteigerten Autonomiegrad verfügen und gleichzeitig bestehende Anforderungen hinsichtlich Verfügbarkeit und Präzision aufrechterhalten. Diese Arbeit beschäftigt sich mit der Entwicklung entsprechender Navigationsverfahren unter Ausnutzung aktueller Entwicklungen im Bereich der Industrie 4.0 und Cloud-Robotik. Konkret wird ein cloud-basiertes, kooperatives Navigationsverfahren vorgestellt, welches die Vernetzung der Roboter untereinander sowie die Ausnutzung externer Rechenressourcen auf Cloud-Servern integriert. Um derzeitige Beschränkungen im Bereich der drahtlosen Datenübertragung zu berücksichtigen, verbleiben dabei Basis-Navigationsfähigkeiten auf den mobilen Robotern, wodurch deren Navigationsfähigkeit auch bei Netzwerkverbindungsabbrüchen aufrecht erhalten wird. Auf Cloud-Servern ausgelagerte, kooperative Navigationsverfahren sorgen hingegen für die notwendige Langzeitstabilität der Navigation, auch in herausfordernden Umgebungen. Eine Schlüsselfähigkeit des kooperativen Navigationssystems ist das Generieren von stets aktuellen Umgebungskarten für Lokalisierung und Pfadplanung basierend auf den Sensorbeobachtungen der gesamten Roboterflotte. Hierfür wird ein kooperativer Long-Term Simultaneous Localization and Mapping (LT-SLAM)-Ansatz präsentiert, bei welchem jeder Roboter detektierte Kartenänderungen an den cloud-basierten LT-SLAM-Server überträgt. Dieser fusioniert die eingehenden Karteninformationen in eine konsistente, globale Karte und stellt diese den einzelnen Robotern in Form von Karten-Updates zur Verfügung. Zusätzlich wird ein Verfahren zur gegenseitigen Detektion der Roboter und zum Austausch von Lokalisierungsinformationen integriert. Ein weiterer Fokus der Arbeit liegt auf der Entwicklung einer Kartenrepräsentation, welche die vielfältigen und teils konträren Anforderungen dieser Applikationen erfüllt. Sowohl Wirksamkeit als auch praktische Anwendbarkeit werden anschließend in verschiedenen Simulations- und Echtwelt-Experimenten nachgewiesen. Dabei überzeugt der vorgestellte Ansatz insbesondere in erhöhter Lokalisierungspräzision und -robustheit, kürzeren Navigationswegen gegenüber unvernetzten Ansätzen sowie moderaten Netzwerkauslastungen.

In the past decades, fleets of mobile robots have increasingly entered the sector of industrial production and warehousing, replacing conventional logistic systems like conveyor belts and human-controlled vehicles. To achieve the reliability needed for these industrial applications, current navigation solutions commonly rely on additional infrastructure (like magnetic wires or retro-reflective markers) or are limited to highly structured, non-changing environments. This circumstance, however, limits their flexibility with respect to modifications of the environment or altered transportation tasks as well as their efficiency when operating in shared workspaces with humans or other dynamic objects. Moreover, this forbids a further exploration into new applications of highly dynamic and changing environments. In order to overcome these limitations, navigation solutions with an increased level of autonomy without decreasing reliability or precision of current solutions are needed. This thesis tackles this issue by leveraging current advances in the fields of cloud and networked robotics for the particular application of mobile robot navigation. We propose a cloud-based cooperative navigation architecture which enables knowledge sharing and remote computing for the mobile robots. The main concept of this architecture consists in keeping basic navigation functionalities on the mobile robots to make them temporal independent of the cloud server and provide long-term navigation capabilities through globally coherent navigation solutions running on the server side. Thereby, the mobile robots do not rely on low-latency or high-frequency server information and are able to maintain their operational capability in the presence of network disruptions. Since the availability of upto-date map information is of crucial importance for both localization and path planning when facing dynamic and highly changing environments, the thesis' main focus consists in leveraging the shared sensor observations to build and maintain an up-to-date global map. Consequently, the thesis proposes a cooperative long-term simultaneous localization and mapping (LT-SLAM) approach where each mobile robot shares its detected map changes with the cloud-based LT-SLAM server, which fuses the incoming map information into a consistent global map and provides map updates to the robots. A further emphasize of this work consists in deriving a map representation specifically tailored for this application and its manifold requirements. More concretely, we introduce low-resolution dynamic occupancy grid maps in combination with a cell-wise continuous representation of the object within the cell modeling its contour and reflectivity using mixture models. We then show how this map representation is integrated into a local LT-SLAM approach running on each robot and providing high-frequency localization estimates as well as local map updates. Additionally, we demonstrate how the cooperative functionalities can be seamlessly added in terms of cooperative map updating and cooperative localization by mutual detection. Numerous simulative and real-world experiments demonstrate both effectiveness and practicability of the cooperative LT-SLAM approach in terms of increased localization robustness and accuracy, improved navigation efficiency with reduced travel times as well as reasonable network loads.